Q:
Hvordan kan maskinlæring jobbe fra åpenbare ineffektiviteter for å introdusere nye effektiviteter for virksomheten?
EN:En av de største potensielle bruksområdene for maskinlæringssystemer er utvinning av viktige effektiviteter for forretningsprosesser og drift. Dette feltet blomstrer fremdeles etter hvert som maskinlæring utvikler seg, og leverandører tilbyr selskaper kraftigere verktøy for å evaluere forretningsscenarier.
| Gratis nedlasting: Machine Learning og Why It Matters |
Generelt sett kan maskinlæring gi effektivitet gjennom å undersøke et større spekter av muligheter og valg, hvorav noen kan virke ineffektive i ansiktet. Et utmerket eksempel er en prosess som kalles simulert annealing som involverer algoritmer som gir resultater på noen av de samme måtene som ingeniører kjøler metall etter smiing. På en måte tar systemet inn dataene og undersøker disse ineffektive stier eller utfall for å finne om de, hvis de kombineres, endres eller manipuleres på noen måte, faktisk kan gi et mer effektivt resultat. Simulert annealing er bare en av mange måter dataforskere kan lage komplekse modeller som kan rote ut dypere effektive alternativer.
En måte å tenke på denne typen maskinlæringsevne er ved å se på hvordan GPS-navigasjonssystemer har utviklet seg de siste årene. De tidlige generasjonene av GPS-navigasjonssystemer kunne gi brukerne en rekke mest effektive stier basert på veldig grunnleggende data - eller rettere sagt, data som nå for oss virker veldig grunnleggende. Brukerne kunne finne den raskeste ruten ved hjelp av motorveier, raskeste rute uten bompenger osv. Men som bilistene fikk vite, var GPS-en ikke optimalt effektiv, fordi den ikke forsto problemer som veiarbeid, ulykker, osv. Med helt nye GPS-systemer var disse resultatene er innebygd i maskinen, og GPS-en gir mye mer effektive svar, igjen, fordi algoritmen vurderer stier som kan virke ineffektive for et mer grunnleggende system. Ved å lære oppdager maskinen effektivitet. Den presenterer disse for brukeren, og leverer som et resultat en mye mer optimalisert tjeneste. Det er den typen ting maskinlæring vil gjøre for bedriften - det vil frigjøre effektiviteten ved å avdekke skjulte stier som er optimale og effektive, selv om de krever en viss analytisk kompleksitet. Disse systemene, som er så rettet mot å gi optimale resultater, brukes ikke bare til gruvedrift av digital forretningsintelligens; for eksempel viser en rapport fra GE hvordan bruk av maskinlæringssystemer dramatisk kan forbedre driften av kullanlegg som gir strøm til lokalsamfunnene.
